《Advanced Sensor Research》：Toward Intelligent Adhesive Fibrillary Gripping Systems: Soft Coil–Based Misalignment And Shape Sensing
编辑推荐：
受生物启发的微结构机器人抓取系统因其能量自给自足特性，成为工业工厂未来拾放应用的有前景解决方案。然而，控制变量的缺失限制了自适应性自动化。为克服这一限制，研究人员提出了一种基于线圈的软传感器（soft sensor），能够在连续运动过程中检测角度不对中（ang
受生物启发的微结构机器人抓取系统因其能量自给自足特性，成为工业工厂未来拾放应用的有前景解决方案。然而，控制变量的缺失限制了自适应性自动化。为克服这一限制，研究人员提出了一种基于线圈的软传感器（soft sensor），能够在连续运动过程中检测角度不对中（angular misalignment），并区分平面（planar）和凸面（convex）形状物体。该传感概念首先在激活的粘附结构上进行了验证，展示了从实验室到应用的过渡。系统的角度检测性能通过一个测试矩阵进行评估，该矩阵涵盖步进式和连续式机器人操作、多个速度级别（例如，2 mm s-1、5 mm s-1 和 10 mm s-1），以及工具参考系（TRF）和世界参考系（WRF）。在所有测试配置中，均实现了最大均方根误差（RMSE）为≈0.12 °。对于物体形状分类，研究人员训练了一个k近邻（kNN）分类器，并采用留一组交叉验证（leave-one-group-out cross-validation）进行验证，其中每一组对应单一物体类别的单次测量序列。不同组的准确率范围为97%至100%。在应用99%置信阈值的多数投票后，495次测量中有494次被正确分类。未来工作将通过引入接触面积和压力等附加参数扩展传感器评估。
**论文解读：面向智能粘附纤维状抓取系统的软线圈不对中与形状感知**
**研究背景与问题**
受生物启发的微结构粘附抓取系统因其无需外部能量即可操作较重负载的优势，在工业自动化的拾放应用中展现出巨大潜力。然而，这类系统的粘附力高度依赖粘附结构与目标物体之间的对齐精度，即使小于
0.5°的角度偏差也会显著影响粘附力。当前缺乏有效的控制变量限制了系统的自适应性自动化。为解决这一反馈控制问题，现有触觉传感技术（如基于磁场、光学和电磁原理的传感器）虽已取得进展，但存在刚度影响、局限于平面表面或成本高等不足。例如，研究人员前期的线圈式传感器仅能在平面表面上工作，无法应用于球形或弯曲物体。因此，需开发一种兼具高分辨率、形状泛化能力且适用于工业级粘附结构的柔性传感系统。
**研究内容与意义**
本研究提出并验证了一种基于软线圈的触觉传感器，通过集成第四接收线圈来提升空间分辨率，从而突破先前原型在物体几何形状上的采样限制。该传感器能够实时检测连续运动中的角度不对中，并区分平面与凸面形状。通过在激活的粘附结构（工业级蘑菇头微结构垫）上进行测试，研究实现了从实验室概念到工业应用的过渡。论文发表在《Advanced Sensor Research》，其意义在于为生物启发抓取系统提供了首个可同时监测不对中角度、方向及形状的集成化传感方案，推动了自动化拾放过程的闭环控制。
**主要关键技术方法**
研究人员采用了基于涡流原理的软线圈传感器设计：发射线圈（三层PCB，直径约35 mm）在导电织物层中激励涡流，其形变导致四个接收线圈（直径约8 mm）的感应电压变化，通过同相/正交（IQ）解调电路获取信号。传感器堆栈（传感层、可变形泡沫层、测量层、粘附垫）安装在Meca 500R3机器人上，通过快换系统实现模块化。角度检测通过奇异值分解（SVD）拟合四个接收点平面，并引入标定系数（二次多项式）将信号转换为位移。形状分类基于点到最佳拟合平面的有符号距离及球度特征，采用k近邻（kNN）分类器，并通过留一组交叉验证（LOGO）评估性能。样品包括平面（玻璃板）和凸面（3D打印半径5 mm、10 mm、15 mm、20 mm的球体）物体，所有测试在环境监测（光照、温湿度）下进行。
**研究结果**
*3.1 工作原理*：传感器基于涡流感应原理，接收线圈电压随导电层与线圈间距变化，通过IQ解调实现信号偏移校正。测量距离通过标定系数转换为三维空间点，经SVD拟合平面确定角度。
*3.2 数据采集系统*：系统升级为Red Pitaya（FPGA）+ Raspberry Pi 4架构，实现5 kHz高速采样，满足机器人控制需求。
*3.3 标定测量*：通过泡沫力-位移曲线与线圈信号-位移曲线同步，获得二次多项式标定系数，所有接收线圈的决定系数R
2≥0.99，RMSE≤29.08，相对误差约3%。
*3.4 传感器验证*：
- 3.4.1 不对中检测：在步进式（角度0.5°至2°）和连续式（速度2 mm/s、5 mm/s、10 mm/s）模式下，Q通道实现最高精度（最大绝对误差约0.2°，RMSE约0.12°），且方向检测可靠（投影向量正确指向坐标轴）。同时倾斜x和y轴时无方向依赖性，WRF与TRF结果一致。
- 3.4.1.1 倾斜方向验证：矢量投影至2D平面后，可准确区分八个倾斜配置（+x、-x、+y、-y、+x+y等）。
- 3.4.1.2 不同速度测试：速度从2 mm/s增至10 mm/s时，RMSE差异仅约0.02°，绝对误差约0.2°，证明传感器在高工作速度下仍稳定。
- 3.4.2 形状预测：基于四个接收点的有符号距离（DP1-DP4）和球度特征，kNN分类器经LOGO验证，十一组测试的准确率为97%至100%。唯一出现显著误分类的凸面组（半径5 mm）因机械屈曲导致信号畸变。在99%置信阈值多数投票下，495次测量中仅1次未达标。
**结论与讨论**
本研究开发了一种基于线圈的传感器，能够量化不对中角度和方向，并将物体分类为平面或凸面。新设计通过弹簧接触实现即插即用，集成Raspberry Pi后采样率达5 kHz，满足机器人应用需求。在0.5°至2°角度范围内测试八种倾斜配置，未出现方向依赖性，RMSE最大约0.12°，最大单次误差约0.2°。不同速度（2-10 mm/s）下性能不变，表明其适用于高速操作。此外，传感器可区分平面与凸面几何，kNN分类器结合99%多数投票后494/495次测量正确。未来将扩展算法以预测接触面积和压力，这些因素影响粘附强度，有望实现更通用的拾放控制策略。
